CA2279400C

CA2279400C - Method for automatic detection of planar heterogeneities crossing the stratification of an environment

Info

Publication number: CA2279400C
Application number: CA002279400A
Authority: CA
Inventors: Shin-Ju Ye; Philippe Rabiller; Naamen Keskes
Original assignee: Elf Exploration Production SAS
Current assignee: Elf Exploration Production SAS
Priority date: 1997-12-15
Filing date: 1998-12-11
Publication date: 2008-02-12
Anticipated expiration: 2018-12-11
Also published as: EP0960345B1; OA11145A; CN1247603A; NO993707L; AU1567999A; NO328937B1; DE69823170D1; FR2772486B1; WO1999031530A1; EP0960345A1; CA2279400A1; AU751035B2; FR2772486A1; US6266618B1; NO993707D0

Abstract

The invention concerns a method for automatic detection of planar heterogeneities intersecting the stratification of an environment from images of a borehole wall or developed core samples of said environment, which consists in using an original image defined in a system of axes (X1, Y1, Z1) associated with the borehole whose axis is Z1, said image containing, for a zone, traversed by the bore hole planar heterogeneities consisting of stratification planes (2 to 14) and planar heterogeneities (15 to 23) intersecting the stratification planes. The invention is characterised in that it consists in: determining a dominant orientation of the stratification planes located in at least on part of said original image; filtering the original image to eliminate the planar heterogeneities of the stratification planes (2 to 14) located in the dominant direction; determining on said filtered image at least two contour segments (15' to 23') of the heterogeneities intersecting the stratification planar heterogeneities.

Description

Méthode de clétection automatique des hétérogénéités planaires recoupant la stratification d'un milieu La présente invention concerne une méthode de détection automatique des liétérogénéités planaires recoupant la stratification d'un milieu à partir d''images de paroi de puits ou de déroulés de carottes prélevées dans ledit milieu.
Des oiutils désignés sous les références FMI (Fullbore Formation Micro Imager) et FMS (Formation Micro Scanner), commercialisés par la société SCHLUMBERGER, permettent d' acquérir des images électriiques à partir de mesures de la conductivité électrique locale de la paroi d'un puits.
Une iniage électrique de la paroi d'un puits est une vue développée qui présente sur un plan, un axe x horizontal représentant la distribution azimutale des électrodes des patins de l'outil utilisé, et un axe y vertical le long duquel est définie la profondeur (cote) de l'outil dans le puits.
L'image électrique de la paroi d'un puits ou l'image d'un déroulé de carotte est analysée en terme d'hétérogénéités planaires et d'hétérogénéités ponctuelles.
Du point de vue de l'analyse d'image, les hétérogénéités planaires, présenl:es sur l'image, peuvent être catégorisées par leur conductivité par rapport au fond de l'image, leur netteté (contraste de niveau de gris), leur organisation (isolées ou regroupées par famille), leur fréquence (haute ou basse fréquence selon la direction et la profondeur) et leur visibilité (visible sur toute l'image ou seulement sur une partie de l' image) .
Ainsi, sur une image de paroi de puits à haute résolution et/ou l'image déroulée de carotte, deux grands types d'hétérogénéités géologiques peuvent être observés. Le premier type est généralement un événement géologiique sécant au puits de forage qui présente une étendue largement supérieure au diamètre du puits, comme les plans de stratification et de fracturation, alors que le deuxième type présente une WO 99/31530 Automatic detection method of planar heterogeneities intersecting the stratification of a medium The present invention relates to a method of detection automatic planar lietrogeneities intersecting the stratification of a medium from well wall images or carrot rolls taken from said medium.
Tools designated as IMF (Fullbore) Micro Imager Training) and FMS (Micro Scanner Training), marketed by SCHLUMBERGER, make it possible to acquire electrical images from measurements of electrical conductivity locality of the wall of a well.
An electrical iniage of the wall of a well is a view developed on a plane, a horizontal x axis representing the azimuthal distribution of the electrodes of the pads of the tool used, and an axis vertical along which is defined the depth (dimension) of the tool in the well.
The electrical image of the wall of a well or the image of a carrot is analyzed in terms of planar heterogeneities and point heterogeneities.
From the point of view of image analysis, heterogeneities planar, presented in the image, can be categorized by their conductivity compared to the background of the image, their sharpness (contrast of level of gray), their organization (isolated or grouped by family), their frequency (high or low frequency depending on direction and depth) and their visibility (visible on the whole image or only on a part of the image) .
Thus, on a high-resolution well wall image and / or the unrolled image of carrot, two major types of heterogeneities geological conditions can be observed. The first type is usually a geologic event secant to the wellbore that has an extent much larger than the diameter of the well, as the stratification and fracturing, while the second type presents a WO 99/31530

2 PCT/FR98/02705 extension radiale et verticale limitée à l'échelle du puits et du dispositif d'acquisition, comme les vacuoles, les nodules ou les perturbations du type bioturbation., etc...
Une hétérogénéité planaire est observée sur une image sous la forme d'une sinusoïde d'équation générale y = d + A (sin x+(D), dans laquelle l' amplitude A et la phase (D correspondent respectivement au pendage et à l' az;imut du plan intersectant le puits lorsque le plan et l'axe du puits ne sont pas parallèles, d étant la profondeur à laquelle est repérée la sinusoïde.
Les critères de catégorisation rappelés ci-dessus permettent souvent de reconnaître la signification géologique de l'hétérogénéité
planaire : stratification ou fracturation. La stratification est généralement considérée commi: l'hétérogénéité planaire dominante sur l'image ; elle est l'événement le plus visible, indique l'orientation dominante de l'image et elle est organisée en familles (une famille par niveau).
La facturation est un événement plus occasionnel, isolé, sécant à la stratification, souvent visible partiellement et plusieurs familles différentes de fractures peuvent être reconnues sur un même niveau.
Des méthodes de détection automatique des plans de stratifi-cation ont été proposées. Une des méthodes concerne les plans de litage à
haute fréquence et une autre méthode concerne les limites de bancs.
De telles méthodes sont notamment décrites dans la demande de brevet FR-A-2 749 405 et dans des publications telles que celle de S-J. Ye, J.
Shen & N. Keskes (1995), "Automatic Identification of bedding planes from electrical borehole images", 9' Scandinavian Conferences on Image Analysis, 6-9 June; 95, Uppsala, Sweden, et de S-J. Ye, Ph. Rabiller & N.
Keskes (1997), "Automatic High resolution sedimentary dip detection on borehole imagery", SPWLA 38th Annual Logging Symposium, paper O.
Ces méthodes per=mettent de détecter l'hétérogénéité planaire dominante sans être perturbées par les autres hétérogénéités planaires ou ponctuelles.
Dans la plupart des cas, en raison de la grande diversité des faciès rencontrés, la détection automatique des fractures est perturbée par l'interférence des différents types de plans et des autres hétérogénéités.
D'autres méthodes de détection d'hétérogénéités ont été
proposées dans la littérature, comme celles divulguées par J.N. Antoine &

WO 99/31530 2 PCT / FR98 / 02705 radial and vertical extension limited to well and device scale such as vacuoles, nodules or disturbances of the bioturbation type., etc ...
A planar heterogeneity is observed on an image under the form of a sinusoid of general equation y = d + A (sin x + (D), in which the amplitude A and the phase (D correspond respectively to dip and at the azimuth of the plane intersecting the well when the plane and the axis wells are not parallel, where d is the depth at which the sinusoid.
The categorization criteria mentioned above allow often to recognize the geological significance of heterogeneity planar: stratification or fracturing. Stratification is generally considered as: dominant planar heterogeneity in the image; she is the most visible event, indicates the dominant orientation of the image and it is organized into families (one family per level).
Billing is a more casual, isolated, secant event to stratification, often partially visible and several families fractures can be recognized on the same level.
Automatic detection methods for laminate planes cation have been proposed. One of the methods relates to bedding plans to high frequency and another method concerns the limits of benches.
Such methods are described in particular in the patent application FR-A-2 749 405 and in publications such as that of SJ. Ye, J.
Shen & N. Keskes (1995), "Automatic Identification of bedding planes from electrical borehole pictures ", 9 'Scandinavian Conferences on Image Analysis, 6-9 June; 95, Uppsala, Sweden, and SJ. Ye, Ph. Rabiller & N.
Keskes (1997), "Automatic High Resolution Sedimentary Dip Detection On borhole imagery ", SPWLA 38th Annual Logging Symposium, paper O.
These methods detect dominant planar heterogeneity without being disturbed by other planar or punctual heterogeneities.
In most cases, because of the great diversity of Facies encountered, the automatic detection of fractures is disturbed by the interference of different types of plans and other heterogeneities.
Other methods of detecting heterogeneities have been proposed in the literature, such as those disclosed by JN Antoine &

WO 99/31530

3 PCT/FR98/02705 J.P. Delhomme (1990), "A method to derive dips from bed boundaries in borehole images", paper SPE 20540 52,, p. 131-130 ; par D. Torres, R.
Strickland, & M. Gianzero (1990), "A new approach to determining dip and strike using borehole images", SPWLA 31 th Annual Logging Symposium, June 24-27, K, 20 p ou par J. Hall, M. Ponzi, M. Gonfalini, & G. Maletti (1996), "Automatic extraction and characterisation of geological features and textures from borehole images and core photographs", SIPWLA 37 i Annual Logging Symposium, paper CCC.
La méthode d'Antoine et al. consiste à détecter les plans de lo stratification à partir de contours, appelées lignes de courant (flow lines), repérés sur l'image patin, puis, en respectant certains critères, à apparier les lignes de courant de patin à patin par un algorithme de programmation dynamique. Les lignes de courant sont obtenues à partir d'un traçage des orientations local.es de la stratification dans toute l'image et de la sélection des lignes de courant situées aux points d'inflexion. Cette méthode détecte les moindres détails des lignes de courant dans l'image. Lorsqu'il existe des zones complexes dans lesquelles les hétérogénéités planaires et ponctuelles sont mélangées et comme les images des patins obtenues sont étroites, il s'ensuit une technique complexe présentant de grandes 2 o difficultés de mise en oeuvre. En effet, malgré un algorithme d'appariement de contours bien élaboré, il est difficile d'obtenir des résultats satisfaisants dans les divers environnements géologiques rencontrés et ce, à partir de lignes de courant trop détaillées, à moins de régler de nombreux paramètres en fonction du type de faciès rencontré, ce qui conduirait à un algorithme difficile à utiliser en opérationnel.
La méthode préconisée par Torres et al. consiste à utiliser la transformée de H:OUGH qui permet de déterminer, à partir d'une image, les paramètres spécifiques caractérisant une forme géométrique telle qu'une droite, un cercle, une ellipse ou une sinusoïde, puis à projeter des points de ladite forme dans l'espace des paramètres, appelé espace de HOUGH. Le point d'intersection de ces projections dans l'espace de HOUGH représerite les paramètres de la forme recherchée.
Un inconvénient de cette méthode réside dans le fait que la profondeur de la sinusoïde n'est pas intégrée dans l'espace des paramètres ce qui conduit à une imprécision sur la profondeur et donc à une limitation WO 99/31530 3 PCT / FR98 / 02705 JP Delhomme (1990), "A method to derive dips from bed boundaries"
boronhole images ", paper SPE 20540 52, pp. 131-130 by D. Torres, R.
Strickland, & M. Gianzero (1990), "A new approach to determining dip and strike using borehole images ", SPWLA 31 th Annual Logging Symposium, June 24-27, K, 20 p or by J. Hall, Mr. Ponzi, Mr. Gonfalini, & G. Maletti (1996), "Automatic extraction and characterization of geological features and textures from borehole images and core photographs ", SIPWLA 37 i Annual Logging Symposium, paper CCC.
The method of Antoine et al. consists of detecting the plans of stratification from contours, called streamlines (flow lines), marked on the image skate, then, respecting certain criteria, to match skid pad current lines by a programming algorithm dynamic. The current lines are obtained from a tracing of local orientations of stratification throughout the image and selection current lines at the points of inflection. This method detects the smallest details of the current lines in the picture. Where it exists complex areas in which planar heterogeneities and punctures are mixed and as the images of the skates obtained are narrow, it follows a complex technique presenting large 2 o difficulties of implementation. Indeed, despite an algorithm well-defined contour matching, it is difficult to obtain satisfactory results in the various geological environments encountered from too detailed current lines, unless set many parameters depending on the type of facies encountered, this which would lead to an algorithm difficult to use in operational.
The method advocated by Torres et al. is to use the transformed from H: OUGH which makes it possible to determine, from an image, the specific parameters characterizing a geometric shape such as than a straight line, a circle, an ellipse or a sinusoid, then to project points of said form in the parameter space, called space of HOUGH. The point of intersection of these projections in the space of HOUGH represents the parameters of the desired form.
A disadvantage of this method is that Sinusoidal depth is not integrated into the parameter space which leads to inaccuracy on the depth and therefore to a limitation WO 99/31530

4 PCT/FR98/02705 de l'amplitude de la sinusoïde à cause de la taille de fenêtre utilisée par Torres et al. ; un autre inconvénient est qu'elle nécessite un temps de calcul et une mérnoire importants, croissant très rapidement en fonction de la dimension de l'espace de HOUGH, c'est-à-dire, du nombre de paramètres reche:rchés.
La méthode préconisée par Hall et al. utilise également la transformée de HOUGH, mais en caractérisant l'espace de HOUGH en trois dimensions qui sont le pendage, l'azimut et la profondeur du plan.
La transformée di: HOUGH est appliquée après une détection des contours io qui est effectuée; soit à partir de l'image binarisée, soit après une classification des pixels voisins. Il faut noter que la binarisation d'une image de niveaux de gris multiples par seuillage implique une grande perte d'information et qu'il serait donc difficile de détecter et de distinguer les contours de contrastes différents dans la fenêtre glissante utilisée.
Les dernières méthodes décrites succinctement ci-dessus cherchent à détecter tous les types de plans par un seul algorithme sans hiérarchisation. Or, les plans qui sont à détecter présentent des caractéristiques très différentes, telles que le contraste, la fréquence, etc.
De ce fait, ces niéthodes ne peuvent être efficacement mises en oeuvre pour détecter, de imanière fiable et sûre, les hétérogénéités de fracturation.
La présente invention a pour but de remédier aux inconvénients des méthodes de Part antérieur et de proposer une méthode qui, prenant en compte les caractéristiques différentes des hétérogénéités de stratification et dle fracturation, permet d'éliminer la stratification de l'image pour mieux visualiser les plans sécants à la stratification afin de faciliter leur détection.
La présente invention a pour objet une méthode de détection automatique des liétérogénéités planaires recoupant la stratification d'un milieu à partir d'images de paroi de puits ou déroulés de carottes dudit milieu, dans laquelle on utilise une image d'origine définie dans un système d'axes (X:,, Y,, Z1) lié au puits, dont l'axe est Z,, ladite image contenant, pour une zone du milieu traversé par le puits, des hétérogénéités planaires constituées par des plans de stratification et par des hétérogénéités planaires sécantes aux plans de stratification, caractérisée en ce qu'elle consiste à:

WO 99/31530 4 PCT / FR98 / 02705 of the amplitude of the sinusoid because of the window size used by Torres et al. ; another disadvantage is that it requires a time of calculation and a major meridy, growing very rapidly depending on the space dimension of HOUGH, that is to say, the number of search parameters.
The method advocated by Hall et al. also uses the transformed HOUGH, but by characterizing HOUGH's space in three dimensions which are the dip, the azimuth and the depth of the plane.
The di: HOUGH transform is applied after edge detection what is done; either from the binarized image or after a classification of neighboring pixels. It should be noted that the binarization of a multiple grayscale image by thresholding involves a large loss of information and that it would therefore be difficult to detect and to distinguish the contours of different contrasts in the sliding window used.
The last methods described briefly above seek to detect all types of plans by a single algorithm without prioritization. However, the plans to be detected have very different characteristics, such as contrast, frequency, etc.
As a result, these methods can not be effectively implemented to detect, in a reliable and safe way, the fracturing heterogeneities.
The present invention aims to overcome the disadvantages methods from the previous part and to propose a method which, taking account the different characteristics of the heterogeneities of stratification and fracturing, eliminates the stratification of the image to better visualize the intersecting planes to the stratification in order to facilitate their detection.
The present invention relates to a detection method automatic planar lietrogeneities intersecting the stratification of a medium from well wall images or unrolled cores of said medium, in which an original image defined in a axis system (X: ,, Y ,, Z1) connected to the well, whose axis is Z ,, said image containing, for an area of the medium traversed by the well, planar heterogeneities constituted by stratification planes and by intersecting planar heterogeneities at the stratification planes, characterized in that it consists of:

WO 99/31530

5 PCT/FR98/02705 - déterminer une orientation dominante des plans de stratification situe's dans au moins une partie de ladite image d'origine, - filtrer l'image d'origine pour éliminer les hétérogénéités planaires des plans de stratification situés dans la direction dominante, - déterminer sur ladite image filtrée au moins des segments de contours des hétérogénéités sécantes aux hétérogénéités planaires de stratification.
Selon une autre caractéristique de la présente invention, la méthode consiste: à calculer les pendages apparents desdits plans de lo stratification et à soumettre lesdits plans de stratification à une rotation amenant leur peindage à la valeur nulle de sorte que lesdits plans de stratification sont perpendiculaires à l'axe (Z, ) du puits, de manière à
obtenir une image résultante dans laquelle les hétérogénéités planaires de stratification sont horizontalisées, Selon une autre caractéristique de la présente invention, le pendage apparent de chaque plan de stratification est calculé à partir du pendage vrai dudit plan de stratification et de la déviation du puits déterminée à l'intersection de l'axe du puits avec ledit plan de stratification.
Selon une autre caractéristique de la présente invention, le filtrage de l'image; résultante est effectué dans le domaine fréquentiel.
Selon une autre caractéristique de la présente invention, le filtrage de l'image résultante utilise un procédé par transformation de Fourier.
Selon une autre caractéristique de la présente invention, la détermination des segments de contour est réalisée sur une image gradient de l'image filtrée.
Selon une autre caractéristique de la présente invention, la détermination des segments de contour est effectuée par un procédé de suivi de ligne de crête par le parcours d'arbre en profondeur d'abord.
Selon une autre caractéristique de la présente invention, l'image filtrée est transformée en une image normalisée présentant un même contraste sur toute la surface.
Selon une autre caractéristique de la présente invention, l'image gradient est obtenue à partir de l'image normalisée.

WO 99/31530 5 PCT / FR98 / 02705 - determine a dominant orientation of the plans of stratification located in at least a part of said original image, - filter the original image to eliminate heterogeneities planar layering plans in the dominant direction, determining on said filtered image at least segments of contours of intersecting heterogeneities to planar heterogeneities of stratification.
According to another characteristic of the present invention, the method consists in: calculating the apparent dips of said planes of stratification and to subject the said stratification plans to rotation bringing their paint to the zero value so that said planes of stratification are perpendicular to the axis (Z,) of the well, so as to obtain a resulting image in which the planar heterogeneities of stratification are horizontal, According to another characteristic of the present invention, the apparent dip of each stratification plane is calculated from the true dip of said layering plane and well deflection determined at the intersection of the axis of the well with said plane of stratification.
According to another characteristic of the present invention, the filtering the image; resultant is performed in the frequency domain.
According to another characteristic of the present invention, the filtering the resulting image uses a process by transformation of Fourier.
According to another characteristic of the present invention, the determination of contour segments is performed on a gradient image of the filtered image.
According to another characteristic of the present invention, the contour segments is determined by a method of crest line tracking through the tree course in depth first.
According to another characteristic of the present invention, the image filtered is transformed into a normalized image presenting the same contrast all over the surface.
According to another characteristic of the present invention, the image gradient is obtained from the normalized image.

WO 99/31530

6 PCT/FR98/02705 Selon une autre caractéristique de la présente invention, l'image gradient est lissée dans au moins une de deux directions perpendiculaires.
Selon une autre caractéristique de la présente invention, la détection des coritours est effectuée sur l'image gradient lissée dans les deux directions perpendiculaires.
Selon une autre caractéristique. de la présente invention, elle consiste, en outre, à sélectionner des segments d'une des chaînes de contours qui satisfont à un indice de qualité.
Selon une autre caractéristique de la présente invention, elle io consiste en outre à faire subir à l'image obtenue à l'issue des étapes ultérieures au filtrage de l'image résultante, une rotation pour amener ladite image à sa position primitive.
Un avantage de la présente invention réside dans le fait qu'en différenciant les hétérogénéités planaires de stratification des hétéro-généités planaires de fracturation, il devient possible d'éliminer les hétérogénéités planaires de stratification pour ne conserver que les hétérogénéités planaires de fracturation qui peuvent donc être détectées très facilement.
Un autre avantage de la présente invention est qu'il est possible 2 o de différencier les fractures de polarités différentes.
D'autres avantages et caractéristiques ressortiront mieux à la lecture de la description de la méthode selon l'invention, ainsi que des dessins annexés sur lesquels :
- la figure 1 est une représentation schématique d'une image d'origine de paroi d'un puits ;
- la figure 2 est une représentation schématique d'une image obtenue à partir de l'image d'origine et comportant les plans de stratification horizontalisés ;
- la figiure 3 est une représentation schématique d'une image 3o résultante après filtrage de l'image de la figure 2;
- la figure 4 est une représentation schématique de l'image finale comprenant des segments de contour des fractures détectées.
Une image d'origine I(x,y) de paroi d'un puits de forage ou d'une photographie d'un déroulé de carotte est représentée schémati-quement sur la figure 1. Sur cette image d'origine, on peut observer Wo 99/31530 7 PCT/FR98/02705 plusieurs types de sinusoïdes représentant les intersections de plans avec le puits, tels que des plans correspondant à des couches géologiques situées à
diverses profondeurs dans le milieu dans lequel le puits a été foré ou à
partir duquel une carotte a été prélevée.
Les couches géologiques, à l'époque des dépôts sédimentaires, étaient planes et parallèles et situées chacune dans un plan horizontal. A la suite des mouvements tectoniques de la terre, les mêmes couches géologiques ont été plus ou moins transformées, donnant lieu à des couches plus ou moins pentées dans une certaine direction. Les couches 1o d'argiles qui se sont déposées dans un milieu calme sont sensiblement horizontales. Ainsi, sur une image d'origine, on retrouve principalement d'une part, des plans de stratification qui constituent les hétérogénéités planaires de stratiification qui peuvent être groupées en familles situées à
des profondeurs différentes, et d'autre part, des hétérogénéités planaires sécantes aux plans de stratification.
Les int:ersections des hétérogénéités planaires constituées des plans de stratifical:ion et des plans de fracturation avec le puits foré dans le milieu contenant ces hétérogénéités, se présentent sur l'image de paroi du puits sous la forme de sinusoïdes.
Les sinusoïdes correspondant aux plans de stratification sont parallèles et regroupées en familles. Par exeinple, une famille 1, située dans la partie supérieure de la figure, regroupe les sinusoïdes référencées 2 à 5. Une autre famille 6, située sensiblement au milieu de la figure, regroupe des sinusoïdes correspondant à d'autres plans de stratification et référencées 7 à 9. D'autres sinusoïdes correspondant à d'autres plans de stratification telles que 10, 11, 12, 13, 14 sont également représentées à la partie inférieure de la figure 1. Les sinusoïdes ou parties de sinusoïdes correspondant à des hétérogénéités de fracturation sont également représentées sur la figure 1 et elles sont sécantes aux sinusoïdes correspondant aux plans de stratification. Certaines des sinusoïdes sécantes aux sinusoïdes dites de stratification sont référencées 15 à 23.
Dans urie première étape de la méthode selon l'invention, on détermine l'orientation dominante des plans de stratification détectés dans le puits et apparaissant sur l'image I(x,y) et on calcule les pendages apparents desdits plans de stratification, dans un système d'axes (X,, Y,, Zl) dans lequel lc; puits est repéré, la direction inclinée du puits étant l'axe Z,.
Dans une deuxième étape, on soumet lesdits plans de stratification à une rotation amenant leur pendage à la valeur nulle, de sorte que lesdits lans de stratification sont perpendiculaires à l'axe Zl du puits, de manière à obtenir une image résultante dans laquelle les hétérogénéités planaires de stratification sont horizontalisées. Cette rotation se traduit sur l'image résultante (figure 2) par une transformation des sinusoïdes dites de stratification en des droites sensiblement lo horizontales. C'est ainsi que les sinusoïdes 2 à 5 de l'image d'origine sont repérées sur l'image résultante de la figure 2 par les droites 2' à 5', tandis que les sinusoïdes 7 à 14 sont repérées par les droites 7' à 14'.
Sur l'image résultante de la figure 2, les sinusoïdes corres-pondant aux hétérogénéités de fracturation, bien qu'affectées par la rotation, sont sensiblement inchangées par rapport à celles de l'image d'origine et elles sont représentées avec les mêmes références 15 à 23.
L' horiZontalisation des plans de stratification peut être effectuée par exemple par l''une ou l'autre des deux techniques suivantes :
a) détecter l'orientation dominante de l'image, puis à partir de là, déduire les sinusoïdes des plans de stratification (plans de stratification apparents) et ensuite transformer les sinusoïdes en lignes droites sur l'image.
C'est u:ne solution locale qui ne nécessite pas la connaissance de la déviation du piaits. Cette technique ne permet pas de traiter des zones sourdes, c'est-à-dire sans orientation dominante, et elle est sensible aux erreurs de détection de sinusoïdes de stratification occasionnelles.
b) Détecter l'orientation de l'image et à partir de là, effectuer les opérations successives suivantes :
- déterniination des sinusoïdes des plans de stratification - transformation des plans de stratification apparents en plans de stratification vrais ;
- recherche du plan structural de référence dans le repère géodésique ;
- transformation du plan de référence vrai en plan apparent en considérant la déviation du puits à chaque profondeur ; et enfin - transformation des sinusoïdes de stratification (plans apparents) en lignes droites sur l'image.
C'est iine technique globale et plus performante car elle permet de s'affranchir des problèmes liés aux zones sourdes et aux erreurs de détection de sinu.>oïdes de stratification.
La transformation de plan vrai en plan apparent (respectivement apparent en vrai) est effectuée par une rotation transformant le système d'axes géodésique par rapport auquel le pendage vrai est calculé en le système d'axes F.[, (X,, Y,, Z,) dans lequel Z, est l'axe du puits, XI est 1o l'axe perpendiculaire à l'Est et à l'axe Z,, et Y, est perpendiculaire aux deux axes X, et Z,. Cette transformation peut être réalisée avanta-geusement en passant par un système d'axes intermédiaire H2 (X2, Y,, Z2) dans lequel Z2 est confondu avec Z,, X2 est la direction d'azimut du puits, perpendiculaire à Z2, et Y2 est un axe perpendiculaire à X, et Z2 comme cela est décrit clans la thèse de SHIN-JU YE du 16.01.97 intitulée "Analyse d'imagerie de paroi de puits : détection automatique des hétérogénéités sédimentaires et tectoniques".
Dans une deuxième étape, en considérant que la détermination de l'orientation dominant.e et éventuellement la rotation des plans de stratification sont effectuées dans une première étape, on filtre l'image résultante de la i7gure 2 dans le domaine fréquentiel, par exemple en opérant sur le spectre de fréquences de cette image obtenu par transformée de Fourier de cette dernière, de manière à éliminer de ladite image résultante les hétérogénéités planaires de stratification d'orientation dominante qui sont éventuellement horizontalisées.
La transformée de Fourier permet de passer d'une représentation de l'image dans le doinainP spatial I(x, y) à une représentation dans le domaine fréquentiel r(u, v) dans laquelle on observe les amplil:udes et les orientations des composantes de différentes fréquences de l' image I(x, y). Ensuite, on élimine certaines fréquences distribuées suivant une orientation particulière de l'image, en mettant par exemple à zéro (cas des plans de stratification horizontalisés) les fréquences qu'on veut éliminer. Après une transformée de Fourier rapide (FFT), on effectue un filtrage orienté sur le spectre de Fourier, puis on réalise une transformée de Fourier inverse (FFT") sur le résultat du filtrage, pour produire une image filtrée I' (x, y) dans le domaine spatial.
Ce fillxage peut être schématisé comme suit :
I(x,y)-->FFT-->*H(u,v)-3FFT-1--->I' (x,y) où

0 si v = tg(r - 90 ) H(u>>') = u 1 partout ailleurs r étant l'orientation des éléments à supprimer. On obtient ainsi une image filtrée dans laqiieile toutes les lignes d'orientation r sont éliminées.
L'orientation r des hétérogénéités de stratification horizontalisées est égale io à zéro.
Le résultat du filtrage peut être observé sur la figure 3 qui représente schématiquement l'image filtrée.
De préférence, mais sans que cela soit nécessaire, on effectue une rotation inve:rse à la précédente pour retrouver la géométrie d'origine ou primitive des plans restants. Il faut noter que cette rotation inverse peut être effectuée à n'importe quel moment après le filtrage de l'image résultante, c'est-à-dire après l'une des opérations suivantes.
Dans une troisième étape, on détermine des segments de contour des hétérogénéités planaires sécantes et restantes sur ladite image filtrée.
Cette clétermination de contour ou de segments de contour est effectuée, de préfërence, en réalisant la séquence d'opérations suivante 1. Normalisation dynamique de l'histogramme de l'image filtrée Etant donné que la dynamique et le contraste de l'image filtrée et donc de l'image d'origine peuvent être très variés dans les différents types de lithologies, une normalisation dynamique de l'histogramme de l'image filtrée est effectuée afin d'homogénéiser la visibilité des fractures dans tous les types de lithologies et d'avoir une image présentant un même contraste sur toute la surface de l'image.
A cet effet, une fenêtre glissante est utilisée. Pour chaque profondeur, on effectue une transformation linéaire de l'histogramme y = f(x) où l'étendue du nouvel histogramme [a, b], identique pour chaque profondeur, correspond aux valeurs minimale c, et maximale d, d'un certain pour=centage (96 % par exemple) de l'histogramme d'origine.
De la sorte, ori obtient une image filtrée normalisée qui n'est pas représentée. La normalisation d'une image est bien connue des spécialistes et ne sera donc pas décrite plus en détail.
2. Obtention de l''image gradient (première dérivée) de l'image filtrée Bien que l'image gradient puisse être calculée directement sur l'image filtrée, il est préférable de la calculer sur l'image filtrée 1o normalisée.
Les premières et les deuxièmes dérivées d'une image sont des caractéristiques très importantes ; par exemple, les maxima et les minima de la première dérivée et les passages par zéro de la deuxième dérivée peuvent être utilisés pôur la détection des contours de l'image. Les filtres gaussiens et les filtres exponentiels sont des filtres de lissage très utilisés dans le traitement d'images. Le lissage et le calcul des dérivées de l'image peuvent être réal:isés simultanément par la convolution de l'image, par exemple l'image riormalisée, avec les dérivées du filtre de lissage.
Le filtre exponentiel est considéré comme un filtre optimal pour cet effet. En plus, les filtres exponentiels et leurs dérivées peuvent être réalisés par des algorithmes récursifs très simples et rapides (par une cascade de deux filtres exponentiels d'un seul côté (gauche et droite), chacun étant réalisé par un algorithme récursif du premier ordre).
Chaque filtre exponentiel est une réponse irnpulsionnelle de la forme suivante :
J e(x) =(a/2) ea z En utilisant le théorème de convolution, la réponse impulsionnelle de la cascade de deux filtres exponentiels est alors f(x) =.f.t(x) *.fe(x) =(a2/4)[(I/a)+ 1 x 1 ]e' et la première dérivée de f(x) est f(x) -J e(x)*J e (x) =-(a3/4) x e- ' I X I
Sur l'image filtrée normalisée, on effectue un filtrage de la première dérivée: de l'image suivant la profondeur du puits. Cela permet de lisser l'image gradient et en même temps de renforcer, c'est-à-dire, d'améliorer la visibilité de la fréquence de l'information qui est lo recherchée. Le lissage est d'autant meilleur qu'a est petit. On obtient un résultat satisfaisant avec a=0,3 par exemple. Cette application mono-dimensionnelle permet aussi d'éliminer les artefacts verticaux de l'image de paroi de puits dus à un dysfonctionnement de certains capteurs. On obtient une image gradient lissée dans la direction du puits (axe Z1).
3. Lissage complémentaire de l'image gradient Pour fàciliter la détection de contours dans l'opération suivante, il est avantageux de lisser aussi l'image gradient dans la direction perpendiculaire ;à la profondeur du puits. Etant donné l'étroitesse de l'image patin de paroi de puits, ceci peut être effectué par filtres moyen, 2 o arythmique ou rnédian. Le filtre médian consiste à classer les pixels voisins et le pixel courant par valeurs croissantes (ou décroissantes), puis à affecter la valeiir médiane des pixels classés au pixel courant. On obtient ainsi une autre iinage lissée dans la direction perpendiculaire à l'axe Zl, du puits.
4. Détectionsies contours d'hétérogénéité lap naire Les segments de contour d'hétérogénéités planaires visibles sur l'image gradient (image de la première dérivée) se présentent comme des contours en forrne de toït, c'est-à-dire, que les points des contours sont situés aux maxima ou minima locaux des signaux.
Etant donné que la détection des contours d'hétérogénéité
planaire a pour but de reconstituer les plans traversant le puits, on ne peut se contenter d'extraire seulement des points de contours, mais on extrait plutôt des chaînes de contours dont chaque point s'ordonne sur un même plan. Ceci nécessite des algorithmes de suivi de contours bien élaborés.
Le procédé de suivi de lignes de crête par le parcours d'arbre en profondeur d'abord est conçu exclusivement pour la recherche des contours des plans. Il est capable de détecter les contours de faibles ou de très grandes pentes (sauf verticales), linéaires, zigzags, ou même pointillés (c'est-à-dire, formés par des points isolés mais alignés). Le procédé de suivi de ligne de crêtes par le parcours d'arbre en profondeur d'abord est décrit dans la thi;se de par Madame SHIN-JU YE, pages 49 à 52 ; de même, les filtres exponentiels récursifs sont explicités dans ladite thèse aux pages 45 à 48. Les parties concernées de ladite thèse sont intégrées dans la présente description.
Pour déterminer qu'une chaîne est bien un segment de contour d'hétérogénéité planaire, on utilise des critères quantitatifs de cohérence, à
savoir :
- visibilité : pour qu'un plan soit détectable, il faut qu'il soit visible sur l'image donc qi.i'il ait une forte amplitude, - continuité de visibilité, linéarité et longueur : par rapport à
l'hétérogénéité ponctuelle, la signature d'hétérogénéité planaire doit être visible continuellement, linéaire et suffisamment longue.
Ces criitères permettent d'évaluer pour chaque contour un indice de qualité :
Q=0 VCL

où P est une constante de normalisation, V est la visibilité, C, la continuité
de visibilité, L, la linéarité

Y=A,õp,C=NPV A'p L=s 2 V mD N

où
A=õp est l'amplitude moyenne du segment, NP,, est le nombre de points visibles, un point est visible si son amplitu,je est supérieure à un seuil, SamP, Vamp est la variance de l'amplitude de points du segment, E est I'épaisseur du segment, calculée à partir de la distance maximale entre la droite reliant les deux points d'extrémité du segment. et les points du segment, D(Po, P,) est la distance entre les deux points d'extrémité du segment Po et Pl, N est le inombre de points du segment.
Pour les chaînes ayant une longueur minimale, on effectue un seuillage sur la qualité Q du segment, pour sélectionner des chaînes de fracture dans un ensemble de chaînes détectées. Etant donné que la dynamique de contraste de l'image est normalisée, un même seuil pour la qualité Q suffit pour toute l'image.
Dans la présente méthode, si une chaîne a une qualité Q faible, lo elle est découpée en deux par le point le plus éloigné de la droite joignant les extrémités de la chaîne ; les deux parties sont examinées séparément, et ainsi de suite. Ceci permet de détecter certains segments vus partiellement sur l'image.
Sur la figure 4, on observe le résultat de la détection des segments de contour de plans de fracturation. Les segments en traits pleins tels que les segments 16', 19', 20' ou 23' et les segments en pointillés tels que les segments 15', 17', signifient qu'on est en présence de polarités différentes, correspondant à des minima ou maxima locaux. Les segments en pointillés corr=espondent à des minima locaux alors que les segments 2 o pleins correspondent à des maxima locaux.
En cornparant les figures 3 et 4, on observe que certaines des sinusoïdes de la figure 3 telles que la partie de sinusoïde 19 peuvent correspondre, sur la figure 4, à des segments 19' (en trait plein) et à des segments 19" (en pointillés) qui sont de polarités différentes.
L'horizontalisation des plans de stratification affectant toute l'image et donc li-ls hétérogénéités planaires sécantes à la stratification, il est préférable de: procéder à une rotation inverse pour retrouver la géométrie d'origine des hétérogénéités planaires sécantes à la stratification après l'élimination des stratifications horizontalisées.
Il va de soi que ce qui a été précédemment décrit s'applique également à des images de paroi de puits quel que soit le paramètre mesuré qui les constituent, comme par exemple, susceptibilité magnétique, facteur photoélectrique, densité de la formation, amplitude des réflexions soniques, etc... 6 PCT / FR98 / 02705 According to another characteristic of the present invention, the image gradient is smoothed in at least one of two perpendicular directions.
According to another characteristic of the present invention, the detecting coritours is performed on the smoothed gradient image in the two perpendicular directions.
According to another characteristic. of the present invention, she In addition, it consists in selecting segments of one of the outlines that satisfy a quality index.
According to another characteristic of the present invention, it it also consists in subjecting the image obtained at the end of the steps subsequent to the filtering of the resulting image, a rotation to bring said image at its original position.
An advantage of the present invention lies in the fact that differentiating planar heterogeneities of stratification of hetero-planar genitals of fracturing, it becomes possible to eliminate the Planar heterogeneities of stratification to keep only the planar fracturing heterogeneities that can be detected very easily.
Another advantage of the present invention is that it is possible 2 o differentiate fractures of different polarities.
Other advantages and features will be more apparent in the reading the description of the method according to the invention, as well as attached drawings in which:
FIG. 1 is a schematic representation of an image original wall of a well;
FIG. 2 is a schematic representation of an image obtained from the original image and including the plans of horizontal stratification;
- Fig 3 is a schematic representation of an image 3o after filtering the image of Figure 2;
FIG. 4 is a schematic representation of the image final comprising contour segments of the detected fractures.
An original image I (x, y) of wall of a wellbore or a photograph of a carrot roll is schemati-Figure 1. In this original image, we can observe Wo 99/31530 7 PCT / FR98 / 02705 several types of sinusoids representing intersections of planes with the wells, such as plans corresponding to geological strata located at various depths in the medium in which the well was drilled or at from which a carrot was taken.
The geological layers, at the time of sedimentary deposits, were flat and parallel and each located in a horizontal plane. To the following tectonic movements of the earth, the same layers have been more or less transformed, giving rise to layers more or less sloping in a certain direction. Layers 1o of clays that are deposited in a calm environment are substantially horizontal. Thus, on an original image, we find mainly on the one hand, stratification plans which constitute the heterogeneities planar stratigraphic structures that can be grouped into families located in different depths, and on the other hand, planar heterogeneities secant to stratification plans.
The int: ersections of planar heterogeneities made up of stratifical plans: ion and fracturing plans with the well drilled into the medium containing these heterogeneities, are presented on the wall image of the wells in the form of sinusoids.
The sinusoids corresponding to the stratification plans are parallel and grouped into families. For example, a family 1, located in the upper part of the figure, groups the sinusoids referenced 2 to 5. Another family 6, located substantially in the middle of the figure, contains sinusoids corresponding to other layering plans and referenced 7 to 9. Other sinusoids corresponding to other planes of such as 10, 11, 12, 13, 14 are also represented in lower part of figure 1. The sinusoids or parts of sinusoids corresponding to fracturing heterogeneities are also represented in FIG. 1 and they are intersecting with sinusoids corresponding to the stratification plans. Some of the sinusoids secant to so-called stratification sinusoids are referenced 15 to 23.
In the first step of the method according to the invention, determines the dominant orientation of the stratification plans detected in the well and appearing on the image I (x, y) and one calculates the dips apparent from said lamination planes, in a system of axes (X ,, Y ,, Zl) in which lc; well is identified, the inclined direction of the well being axis Z ,.
In a second step, these plans are stratification with a rotation bringing their dip to the null value, of so that said lans of lamination are perpendicular to the axis Z1 of the well, so as to obtain a resulting image in which the Planar heterogeneities of stratification are horizontalized. This rotation is reflected on the resulting image (Figure 2) by a transformation so-called stratification sinusoids in substantially straight lines lo horizontal. This is how the sinusoids 2 to 5 of the original image are marked on the resulting image of Figure 2 by the lines 2 'to 5', while that the sinusoids 7 to 14 are identified by the lines 7 'to 14'.
In the resulting image of Figure 2, the corresponding sinusoids the heterogeneity of fracturing, although affected by the rotation, are substantially unchanged from those of the image of origin and they are represented with the same references 15 to 23.
The horiZontalisation of layering plans can be performed for example by one or other of the following two techniques:
a) detect the dominant orientation of the image and then from here, deduce the sinusoids from the stratification plans ( stratification apparent) and then transform the sinusoids into straight lines on the image.
This is a local solution that does not require knowledge of the deviation of the piaits. This technique does not allow to treat zones deaf, that is to say without dominant orientation, and is sensitive to occasional stratification sinusoid detection errors.
b) Detect the orientation of the image and from there, perform the following successive operations:
- de-identification of the sinusoids of the stratification planes - transformation of apparent stratification plans into plans true stratification;
- search of the reference structural plane in the reference geodesic;
- transformation of the true reference plane into apparent plane in considering the deviation of the well at each depth; and finally - transformation of the stratification sinusoids (plans apparent) in straight lines on the image.
It is a global technical and more efficient because it allows to overcome the problems associated with deaf zones and sinu detection> stratification oids.
The transformation from true plane to apparent plane (respectively apparent in real) is performed by a rotation transforming the system of geodesic axes with respect to which the true dip is calculated as axis system F. [, (X ,, Y ,, Z,) in which Z, is the axis of the well, XI is 1o the axis perpendicular to the East and the axis Z ,, and Y, is perpendicular to two axes X, and Z ,. This transformation can be carried out through an intermediate axis system H2 (X2, Y ,, Z2) in which Z2 coincides with Z ,, X2 is the azimuth direction of the well, perpendicular to Z2, and Y2 is an axis perpendicular to X, and Z2 as this is described in SHIN-JU YE's thesis of 16.01.97 entitled "Well wall imaging analysis: automatic detection of sedimentary and tectonic heterogeneities ".
In a second step, considering that the determination dominant orientation and possibly the rotation of stratification are performed in a first step, we filter the image resulting from Figure 2 in the frequency domain, for example in operating on the frequency spectrum of this image obtained by transform Fourier of the latter, so as to eliminate said image resulting planar stratification heterogeneities of orientation dominant which are eventually horizontalised.
The Fourier transform makes it possible to move from one representation of the image in the spatial DoinainP I (x, y) to a representation in the frequency domain r (u, v) in which one observe the amplif: udes and the orientations of the components of different frequencies of the image I (x, y). Then, we eliminate certain frequencies distributed in a particular orientation of the image, by example to zero (in the case of horizontal stratification plans) the frequencies that we want to eliminate. After a fast Fourier transform (FFT), we perform a filtering oriented on the spectrum of Fourier, then we performs an inverse Fourier transform (FFT ") on the result of the filtering, to produce a filtered image I '(x, y) in the spatial domain.
This fillxage can be schematized as follows:
I (x, y) -> FFT -> * H (u, v) -3FFT-1 ---> I '(x, y) or 0 if v = tg (r - 90) H (u >>') = u 1 everywhere else where r is the orientation of the elements to be deleted. We thus obtain an image Filtered in the same way all lines of orientation r are eliminated.
The orientation r of horizontally stratified heterogeneities is equal io at zero.
The result of filtering can be seen in Figure 3 which schematically represents the filtered image.
Preferably, but without it being necessary, a rotation inve: rse to the previous one to find the original geometry or primitive of the remaining plans. It should be noted that this reverse rotation may be done at any time after filtering the image resulting, that is to say after one of the following operations.
In a third step, segments of outline of secant and remaining planar heterogeneities on said image filtered.
This key to outline or outline segments is performed, preferably, by performing the following sequence of operations 1. Dynamic normalization of the histogram of the filtered image Since the dynamics and contrast of the filtered image and therefore the original image can be very varied in the different types of lithologies, a dynamic normalization of the histogram of the filtered image is made to homogenize the visibility of the fractures in all types of lithologies and to have an image presenting the same contrast across the entire surface of the image.
For this purpose, a sliding window is used. For each depth, we perform a linear transformation of the histogram y = f (x) where the range of the new histogram [a, b], identical for each depth, corresponds to the minimum values c, and maximum d, a certain percentage = (for example 96%) of the original histogram.
In this way, ori gets a normalized filtered image that is not represented. Normalization of an image is well known to specialists and will not be described in more detail.
2. Obtaining the gradient image (first derivative) of the filtered image Although the gradient image can be calculated directly on the filtered image, it is better to calculate it on the filtered image 1o standardized.
The first and second derivatives of an image are very important characteristics; for example, maxima and minima of the first derivative and the zero crossings of the second derivative can be used for the detection of the contours of the image. Filters Gaussian and exponential filters are very smoothing filters used in image processing. Smoothing and calculating derivatives of the image can be realized simultaneously by the convolution of the image, by for example the riormalized image, with the derivatives of the smoothing filter.
The exponential filter is considered an optimal filter for this effect. In addition, exponential filters and their derivatives can be realized by very simple and fast recursive algorithms (by a cascade of two exponential filters on one side (left and right), each being realized by a first-order recursive algorithm).
Each exponential filter is an impulse response of the following form:
J e (x) = (a / 2) ea z Using the convolution theorem, the answer impulse of the cascade of two exponential filters is then f (x) = .ft (x) * .fe (x) = (a2 / 4) [(I / a) + 1 x 1] e ' and the first derivative of f (x) is f (x) -J e (x) * J e (x) = - (a3 / 4) x e- 'IXI
On the normalized filtered image, a filtering of the first derivative: of the image following the depth of the well. This allows to smooth the gradient image and at the same time to reinforce, that is, to improve the visibility of the frequency of information that is lo sought. Smoothing is all the better as it is small. We get a satisfactory result with a = 0.3 for example. This mono application Dimensional also helps eliminate vertical artifacts from the image well wall due to malfunction of some sensors. We gets a gradient image smoothed in the direction of the well (Z1 axis).
3. Complementary smoothing of the gradient image To simplify contour detection in the next operation, it is advantageous to also smooth the gradient image in the direction perpendicular to the depth of the well. Given the narrowness of the well wall skid image, this can be done by medium filters, 2 o arrhythmic or median. The median filter consists of classifying the pixels neighbors and the current pixel by increasing (or decreasing) values, then to affect the median value of pixels classified to the current pixel. We obtain thus another smoothing in the direction perpendicular to the axis Z1, of Wells.
4. Detections contours of lapse heterogeneity Contour segments of planar heterogeneities visible on the gradient image (image of the first derivative) are presented as contours in the form of a roof, that is to say, that the points of contours are located at the local maxima or minima of the signals.
Since the detection of heterogeneity contours planar aims to reconstruct the plans crossing the well, we can not content to extract only contour points, but we extract rather chains of contours where each point is ordered on the same plan. This requires well-designed contour tracking algorithms.
The method of monitoring ridge lines by the tree course in depth first is designed exclusively for researching outlines of the plans. It is able to detect contours of weak or very large slopes (except vertical), linear, zigzags, or even dotted (that is, formed by isolated but aligned points). The process of followed by line of ridges through the tree course in depth first is described in the thesis of Mrs. SHIN-JU YE, pages 49 to 52; of same, recursive exponential filters are explained in this thesis on pages 45 to 48. The parties involved in the said thesis are integrated in the present description.
To determine that a string is a contour segment of planar heterogeneity, quantitative criteria of coherence are used.
know :
- Visibility: for a plan to be detectable, it must be visible on the image so that it has a strong amplitude, - continuity of visibility, linearity and length: compared to point heterogeneity, the signature of planar heterogeneity must be visible continuously, linear and long enough.
These criteria make it possible to evaluate for each contour a subscript quality :
Q = 0 VCL

where P is a normalization constant, V is the visibility, C, the continuity of visibility, L, linearity Y = A, õp, C = NPV A'p L = s 2 V MD N

or A = õp is the average amplitude of the segment, NP ,, is the number of visible points, a point is visible if its amplitu, I'm above a threshold, SamP, Vamp is the variance of the point amplitude of the segment, E is the thickness of the segment, calculated from the distance maximum between the line joining the two end points of the segment. and the points of the segment, D (Po, P,) is the distance between the two end points of the Po segment and Pl, N is the number of points in the segment.
For strings with a minimum length, we perform a threshold on the quality Q of the segment, to select strings of fracture in a set of detected chains. Since the dynamic contrast of the image is normalized, the same threshold for the Q quality is enough for the whole picture.
In this method, if a string has low Q quality, lo it is cut in two by the farthest point of the right joining the ends of the chain; the two parts are examined separately, And so on. This makes it possible to detect certain segments seen partially on the image.
In FIG. 4, the result of the detection of the contour segments of fracturing planes. Segments in solid lines such as segments 16 ', 19', 20 'or 23' and dashed segments such as that the segments 15 ', 17', mean that we are in the presence of polarities different, corresponding to local minima or maxima. Segments dotted lines corr = correspond to local minima while segments 2 o full correspond to local maxima.
Comparing Figures 3 and 4, we observe that some of the sinusoids of Figure 3 such as the sinusoid part 19 can correspond, in FIG. 4, to segments 19 '(in solid lines) and to 19 "segments (dashed) that are of different polarities.
Horizontalization of stratification plans affecting all the image and therefore li-ls intersecting planar heterogeneities to stratification, he is better to: reverse to find the original geometry of secant planar heterogeneities at stratification after the elimination of horizontal stratifications.
It goes without saying that what was previously described applies also to well wall images regardless of the parameter measured which constitute them, as for example, magnetic susceptibility, photoelectric factor, density of formation, amplitude of reflections sonic, etc ...

Claims

1. Automatic detection method of intersecting planar heterogeneities layering one medium from well wall images or unrolled of cores of said medium, wherein a defined original image is used in a system of axes (X1, Z1) linked to the well whose axis is Z1, said image containing, for a middle zone crossed by the well, planar heterogeneities incorporated by stratification planes (2 to 14) and by planar heterogeneities (15 to 23) secants to the bedding planes, of the type qui. consists of:

-determine a dominant orientation of the stratification planes (2 to 14) located in at least part of said original image, characterized by the steps of:

-calculate the apparent dips of said bedding planes and submitting said stratification planes to a rotation causing their dip to the zero value so that said bedding planes are perpendicular to axis (Z1) of the well, so as to obtain a resulting image in which the planar stratification heterogeneities are horizontalized, -filter the original image or the resulting image to eliminate planar heterogeneities of the stratification planes (2 to 14) located in the direction dominant, to obtain a horizontalized filtered image, -determining on said filtered image at least segments of contour (15' to 23') from secant heterogeneities to planar heterogeneities of stratification.

2. Method according to claim 1, characterized in that the dip apparent of each bedding plane is calculated from the true dip said stratification plane and well deviation determined at the intersection of the axis of the well with said bedding plane.

3. Method according to claim 1, characterized in that the filtering of the resulting image is performed in the frequency domain.

4. Method according to claim 1 or 2, characterized in that the filtering of the resulting image uses a Fourier transform process.

5. Method according to claim 1, characterized in that the determination of the contour segments (15' to 23') is carried out on an image gradient of the filtered image, showing ridge lines.

6. Method according to claim 5, characterized in that the determination of the contour segments (15' to 23') is carried out by a method of follow-up of ridge lines by the depth tree course first of all.

7. Method according to one of claims 1 to 4, characterized in that the filtered image is transformed into a normalized image having the same contrast over the entire surface.

8. Method according to claim 7, characterized in that the image gradient is obtained from the normalized image.

9. Method according to claim 5 or 8, characterized in that the image gradient is smoothed in at least one of two perpendicular directions (X1, Z1).

10. Method according to claim 9, characterized in that the detection contouring is performed on the smoothed gradient image in both directions perpendicular (X1, Z1).

11. Method according to one of claims 1, 5, 6, 10, characterized in that that it also consists in selecting segments so as to form a strings of contours that satisfy a quality index.

12. Method according to one of claims 1, 5 to 11, characterized in that that it also consists in subjecting the image obtained at the end of the steps subsequent to the filtering of the resulting image, a rotation to bring said picture to its original position.